摘要：工信部披露，2026年上半年规上制造业企业人工智能技术应用普及率已超过30%，全国累计建成500余家卓越级智能工厂，智能算力规模达到2185EFLOPS。制造业AI正在越过示范验证阶段，企业竞争焦点将转向数据闭环、产线复制、投资回报与安全责任。
制造业采用人工智能，正在跨过一个重要分水岭。
工业和信息化部7月20日在国新办发布会上披露，2026年上半年，规模以上制造业企业人工智能技术应用普及率已超过30%；全国累计建成5.6万余家基础级、9000余家先进级、500余家卓越级智能工厂，并培育15家领航级智能工厂。截至6月底，我国智能算力规模达到2185EFLOPS，同比增长177%。
这组数据的产业含义，不是“AI概念继续升温”，而是制造业AI开始从少数头部企业的示范项目，进入更广泛的生产系统。下一轮竞争不再取决于企业有没有接入大模型，而取决于AI能否稳定嵌入质量、设备、工艺、排产和供应链，形成可核算、可复制、可追责的经营结果。
30%普及率意味着市场从“教育客户”转向“替换旧方案”
普及率超过30%后，工业AI供应商面对的市场结构会发生变化。早期项目主要证明算法能不能识别缺陷、预测故障或生成代码；现在客户更关心新方案能否接入MES、ERP、PLM、设备控制系统，能否替换原有人工流程，以及跨工厂复制时还要投入多少工程成本。
工信部披露的实际场景已经给出方向：AI视觉质检实现微米级缺陷自动识别，检测效率较人工提升5倍以上；工业大模型用于抗体和小分子药物筛选，使部分新药临床前研发周期缩短40%；百家典型5G工厂平均产能较改造前提升25%。
这些指标会抬高采购门槛。只有演示效果、没有业务基线和长期运行数据的项目，将越来越难获得预算。企业需要用良率、停机时间、单位能耗、交付周期、库存周转和人均产出证明价值。
智能工厂进入梯度竞争，单点工具必须接入生产闭环
从基础级到先进级、卓越级再到领航级，智能工厂已经形成清晰梯度。对制造企业而言，这意味着数字化建设不能再停留在购买若干独立系统，而要回答数据是否贯通、决策是否闭环、异常是否可追踪。
最值得优先投入的不是“大而全AI平台”，而是三类能快速形成闭环的场景：一是缺陷检测、参数优化和工艺追溯；二是设备预测维护、能源管理和备件优化；三是排产、物料齐套和供应链风险预警。
工业软件、自动化和机器人厂商也要调整产品路线。算法能力需要与传感器、控制器、工业协议、边缘设备和安全机制一起交付。谁能把模型部署、数据治理、系统集成和运维做成标准模块，谁就更可能从一个项目复制到多个工厂。
算力增长很快，但“按需用算”比盲目自建更重要
2185EFLOPS的智能算力规模说明供给仍在高速扩张，全国算力设施整体上架率为71.4%。工信部下一步将推动算力互联互通、市场化定价、城域“毫秒用算”和普惠算力赋能中小企业。
对大多数制造企业，这释放出一个明确判断：训练和推理不必全部依赖自建大型智算中心。企业应把算力按数据敏感度和实时性分层——控制与质检推理尽量靠近产线，通用训练和批量分析可使用区域算力服务，核心工艺数据则通过专有环境、可信执行和权限隔离控制风险。
自建算力只有在利用率、数据安全、时延和长期总成本都能证明合理时才成立。把一次性设备采购当成AI能力建设，容易形成高折旧、低利用率的新型闲置资产。
企业现在应完成四个动作
第一，建立AI项目经济账。为每个场景设定改造前基线、目标值、验证周期和退出条件，避免项目长期停留在试点。
第二，整理工业数据资产。明确设备数据、质量数据、工艺参数和专家经验的责任人、接口、质量与授权边界。没有稳定数据，模型迭代无法持续。
第三，设计跨产线复制模板。把硬件清单、接口适配、模型评测、上线验收、人员培训和运维责任固化，降低第二个工厂的边际成本。
第四，保留人工接管与审计能力。涉及生产控制、质量放行和安全作业的AI系统，应具备权限分级、异常停机、日志留存、版本回滚和人工复核机制。
风险边界：高普及率不等于高成熟度
“应用普及”可能包括不同深度的使用，从辅助办公到核心工序控制不能混为一谈。企业不能仅凭接入模型、部署摄像头或上线智能助手，就宣称完成智能化转型。
同时，机器人和AI进入真实产线后，责任问题会更加突出。误检、漏检、错误参数推荐和控制异常可能带来质量、安全与产品责任风险。供应商与制造企业必须在合同中明确数据责任、性能边界、验收指标、故障处置和损失承担。
制造业AI普及率跨过30%，真正被淘汰的不是“没有大模型”的企业，而是仍把AI当作孤立软件采购、无法把技术变成稳定生产结果的企业。